Physics-Informed Latent Diffusion for Multimodal Brain MRI Synthesis

要約

医用画像生成モデルの最近の進歩により、複数のモダリティを表現できる可能性が示されています。
ただし、データセット間で利用可能なモダリティが異なるため、生成される合成データの一般的な適用性が制限されます。
これに対処するために、元のデータセットには存在しないものを含む、可変数の脳 MRI モダリティを合成できる、物理学に基づいた新しい生成モデルを提案します。
私たちのアプローチでは、潜在拡散モデルと 2 段階の生成プロセスを利用します。まず、潜在拡散モデルを使用して未観察の物理組織特性マップが合成され、次にこれらのマップが物理信号モデルと結合されて、最終的な MRI スキャンが生成されます。
私たちの実験は、目に見えない MR コントラストを生成し、物理的な妥当性を維持する上で、このアプローチの有効性を実証しています。
さらに、生成された組織特性の分布を、実際の脳組織で測定されたものと比較することで検証します。

要約(オリジナル)

Recent advances in generative models for medical imaging have shown promise in representing multiple modalities. However, the variability in modality availability across datasets limits the general applicability of the synthetic data they produce. To address this, we present a novel physics-informed generative model capable of synthesizing a variable number of brain MRI modalities, including those not present in the original dataset. Our approach utilizes latent diffusion models and a two-step generative process: first, unobserved physical tissue property maps are synthesized using a latent diffusion model, and then these maps are combined with a physical signal model to generate the final MRI scan. Our experiments demonstrate the efficacy of this approach in generating unseen MR contrasts and preserving physical plausibility. Furthermore, we validate the distributions of generated tissue properties by comparing them to those measured in real brain tissue.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google